时间序列异常检测旨在从时间序列数据中识别异常模式。长期以来,时间序列异常检测一直是一个重要的研究领域。随着时序中模态数量的增长,时序的复杂程度以及异常检测的难度都会逐步增大。本文针对三种不同复杂程度的数据类型,即单个模态、两个模态、多个模态（大于等于三个模态）,依次提出了三种不同的时序异常检测框架,用于有效利用不同类型数据中的信息。针对单个模态数据集上时序的概念漂移问题,本文提出基于概念漂移检测的在线Transformer模型。在两个模态的数据集上,本文探索在基于语音和文本的多模态对抗攻击异常样本上的异常检测方法。在多个模态的数据集上,本文设计了一个多模态空间-时间图注意网络,它采用一个多模态图注意网络和一个时间卷积网络来捕获多模态时间序列中的空间-时间相关性。首先,为了解决单个模态时序数据中的概念漂移问题,我们提出结合了概念漂移检测模块（CDAM）和在线学习的Transformer异常检测模型。CDAM模块负责动态地调整模型的学习率。CDAM和在线学习共同促进了在线稀疏Transformer将知识从旧概念数据的模型转移到新概念数据的模型中。此外,由于Transformer中自注意力的时间复杂度较高,我们设计了根方稀疏自注意力来代替原来的自注意力,大大降低了其计算复杂度。其次,为了更好地挖掘两个模态数据中的信息,我们提出了一个多模态深度融合Transformer,称为MDFT。具体来说,音频和文本特征分别由音频和文本编码器提取。我们设计多模态注意机制,以捕获音频和语言特征之间的互补信息,并获得联合的多模态表示。该表示接着被传播到密集层以产生检测结果。最后,为了明确地捕获多个模态时序数据中的单变量时序之间的空间-时间关系。我们提出了一个多模态的空间-时间图注意网络（MST-GAT）。MST-GAT首先采用了一个多模态图注意网络（M-GAT）和一个时间卷积网络来捕获多模态时间序列中的空间-时间相关性。具体来说,M-GAT使用一个多头注意模块和两个关系注意模块（即模态内和模态间注意）来明确地建模模态相关性。此外,MST-GAT使用重构和预测模块来联合优化模型参数。